3.1 dplyr::filter() - filtrando datos basado en criteros

Una de las funciones más útiles de dplyr es filter(). Con esta función, es posible filtrar observaciones específicas basándose en las entradas en una o más columnas.

La base de datos nos muestra la columna “número de sitio” (sites_ID) tiene varios tipos diferentes de “números de sitio”.

¿Qué pasaría si quisiéramos crear una estructura de datos que solo incluya las observaciones del sitio “bor1001”?

Esto es cuando utilizaríamos la función filter() en la siguiente línea de código:

filter(butterfly, sites_ID == "bor1001")

Además, es posible filtrar observaciones numéricamente. Por ejemplo, para obtener una estructura de datos que contenga todos los sitios donde la precipitación fué de más de 1000 mm de lluvia. Para esoto utilizaremos la siguiente línea de código. Presta atención a que cuando filtras por número, no es necesario poner comillas al número.

filter(butterfly, A_rainfall >= 1000)

Finalmente, es posible usar un número infinito de condiciones para filtrar la estructura de datos, todo dentro de la misma línea de código. Por ejemplo, si quisieras crear una estructura de datos que contenga solamente los sitios en Río de Janeiro donde cayó más de 1000 mm de lluvia, usarías esta línea de código:

filter(butterfly, State == "RIO DE JANEIRO", A_rainfall >= 1000)

butterfly

butterfly_modified <- filter(butterfly, sites_ID == "bor1122")
butterfly_modified

Para recordar

La función filter() filtrará en el orden en que los elementos son listados en la función. Por ejemplo, para la línea de código abajo, R filtrará por “estado” (State) y luego por “cantidad de lluvia” (A_rainfall). Con esta información, presta atención al orden de los elementos para filtrar tus datos de la manera que desees.

3.2 dplyr::select() - modificando estructaras de datos basado en nombre de las columnas

Otra función importante es la función select(). Esta función es particularmente útil cuando estás trabajando con estructuras de datos extensas. Específicamente, la función select() te permite seleccionar una o más columnas de tu estructura de datos y transferirlas a una nueva estructura de datos.

Por ejemplo, imagina que deseas crear una estructura de datos que contenga solamente las columnas “numero de sitio” (sites_ID) y “estado” (State) de la estructura de datos original, “butterfly”. Puedes lograr esto utilizando la siguiente línea de código:

select(butterfly,sites_ID, State)

butterfly$sites_ID

##   [1] "bor1001" "bor1002" "bor1003" "bor1004" "bor1005" "bor1006" "bor1007"
##   [8] "bor1008" "bor1009" "bor1010" "bor1011" "bor1012" "bor1013" "bor1014"
##  [15] "bor1015" "bor1016" "bor1017" "bor1018" "bor1019" "bor1020" "bor1021"
##  [22] "bor1022" "bor1023" "bor1024" "bor1025" "bor1026" "bor1027" "bor1028"
##  [29] "bor1029" "bor1030" "bor1031" "bor1032" "bor1033" "bor1034" "bor1035"
##  [36] "bor1036" "bor1037" "bor1038" "bor1039" "bor1040" "bor1041" "bor1042"
##  [43] "bor1043" "bor1044" "bor1045" "bor1046" "bor1047" "bor1048" "bor1049"
##  [50] "bor1050" "bor1051" "bor1052" "bor1053" "bor1054" "bor1055" "bor1056"
##  [57] "bor1057" "bor1058" "bor1059" "bor1060" "bor1061" "bor1062" "bor1063"
##  [64] "bor1064" "bor1065" "bor1066" "bor1067" "bor1068" "bor1069" "bor1070"
##  [71] "bor1071" "bor1072" "bor1073" "bor1074" "bor1075" "bor1076" "bor1077"
##  [78] "bor1078" "bor1079" "bor1080" "bor1081" "bor1082" "bor1083" "bor1084"
##  [85] "bor1085" "bor1086" "bor1087" "bor1088" "bor1089" "bor1090" "bor1091"
##  [92] "bor1092" "bor1093" "bor1094" "bor1095" "bor1096" "bor1097" "bor1098"
##  [99] "bor1099" "bor1100" "bor1101" "bor1102" "bor1103" "bor1104" "bor1105"
## [106] "bor1106" "bor1107" "bor1108" "bor1109" "bor1110" "bor1111" "bor1112"
## [113] "bor1113" "bor1114" "bor1115" "bor1116" "bor1117" "bor1118" "bor1119"
## [120] "bor1120" "bor1121" "bor1122"

Si planillas a crear una estructura de datos que contiene la mayoría de columnas de la estructura original, puede ser tedioso a listar todos los nombres de las columnas. Afortunadamente, la función select() permite quitar columnas usando el símbolo “-”. Ahora, imagine que queremos a crear una estructura de datos que contiene todas las columnas de la original “butterfly” estructura excluyendo “numero de sitio” (sites_ID) y “estado” (State) utilizáramos la siguiente linea de código:

select(butterfly,-sites_ID, -State)

Finalmente, imagina que quieres crear una estructura de datos que contenga columnas que estén agrupadas en la estructura original. En este caso, puedes usar el símbolo “:” para ahorrar tiempo al escribir todos los nombres de las columnas. Por ejemplo, presta atención a la estructura “butterfly” e imagina que quieres crear una nueva estructura de datos que contenga las primeras cuatro columnas de la estructura “butterfly”, desde “numero de sitio” (sites_ID) hasta “altitud” (altitude). Para lograr esto, puedes utilizar la siguiente línea de código:

select(butterfly, sites_ID:Altitude)

Para recordar

3.3 dplyr::mutate - agregando columnas a estructuras de datos

La función mutate() se utiliza para agregar columnas a una estructura de datos existente. La nueva columna generalmente es una función de una o más de las columnas existentes. Por ejemplo, imagina que quieres añadir una columna a la estructura “butterfly” que sea igual al logaritmo de la columna “A_rainfall”. Esta acción se puede realizar de dos maneras.

Primero, puedes crear una nueva estructura de datos que incluya todas las columnas presentes en la estructura original de “butterfly”, con la nueva adición.

mutate(butterfly, Log_Rainfall = log(A_rainfall))

También es posible añadir más de una columna a una estructura de datos utilizando la siguiente línea de código:

mutate(butterfly, Log_Rainfall = log(A_rainfall), climate_index = A_mean_temp * A_rainfall)

En esta linea de código, añadimos dos columnas, la columna previa que toma el logaritmo de la columna “A_rainfall” y una nueva columna, “climate_index”, que calcula el indice de clima con multiplicar las columnas “A_rainfall” y “A_mean_temp”.

str(butterfly)

## 'data.frame':    122 obs. of  17 variables:
##  $ sites_ID      : chr  "bor1001" "bor1002" "bor1003" "bor1004" ...
##  $ Country       : chr  "Brazil" "Brazil" "Brazil" "Brazil" ...
##  $ State         : chr  "RIO GRANDE DO SUL" "RIO GRANDE DO SUL" "RIO GRANDE DO SUL" "PARANA" ...
##  $ Municipality  : chr  "MAQUINE" "SAO FRANCISCO DE PAULA" "SANTA MARIA" "CURITIBA" ...
##  $ Study.Location: chr  "Maquine" "Floresta Nacional de Sao Francisco de Paula" "Santa Maria" "Curitiba" ...
##  $ Latitude      : chr  "-29.58333333" "-29.423669" "-29.747514" "-25.3" ...
##  $ Longitude     : chr  "-50.26666667" "-50.386914" "-53.838197" "-49.36666667" ...
##  $ Precision     : chr  "13000" "2200" "30" "12000" ...
##  $ Reserve_Area  : chr  NA "1615" NA NA ...
##  $ Altitude      : chr  "100-300" "900" "50-100" "850-1000" ...
##  $ Altitude1km   : int  305 917 99 956 571 936 442 280 139 803 ...
##  $ A_mean_temp   : chr  "18.68" "14.94" "19.86" "16.69" ...
##  $ A_rainfall    : int  1568 2083 1665 1641 1598 1691 1256 1202 1763 1431 ...
##  $ Olsong200r    : chr  "Atlantic Forests" "Atlantic Forests" NA "Atlantic Forests" ...
##  $ Olsoneconame  : chr  "Araucaria moist forests" "Araucaria moist forests" "Uruguayan savanna" "Araucaria moist forests" ...
##  $ Ribeirovegtype: chr  "Floresta Ombrofila Mista" "Estepe" "Areas de Tensao Ecologica" "Floresta Ombrofila Mista" ...
##  $ BSRs          : chr  "Florestas de Araucaria" "Florestas de Araucaria" "Florestas de Interior" "Florestas de Araucaria" ...

Entonces, para realizar la operación de multiplicación y calcular el índice climático, debemos cambiar la columna “A_mean_temp” a formato numérico utilizando la siguiente línea de código:

butterfly <- mutate(butterfly, A_mean_temp = as.numeric(A_mean_temp))

mutate(butterfly, Log_Rainfall = log(A_rainfall), climate_index = A_mean_temp * A_rainfall)

Para recordar

3.4 dplyr::group_by - categorizando una estructura de datos por nombre de columnas

Continuaremos explorando más funciones del paquete dplyr. En esta ocasión, utilizaremos la función group_by(). Esta función es útil cuando tienes dos variables categóricas y deseas analizar cuántos elementos pertenecen a cada grupo en una u otra categoría. La función group_by() crea una estructura de datos que reorganiza la estructura original basándose en columnas específicas.

Esta función es especialmente útil cuando se combina con la función summarise(), de la cual aprenderemos más en la siguiente sección.

Grouped_Sites <- group_by(butterfly, sites_ID)
Grouped_Sites

## # A tibble: 122 × 17
## # Groups:   sites_ID [122]
##    sites_ID Country State         Municipality Study.Location Latitude Longitude
##    <chr>    <chr>   <chr>         <chr>        <chr>          <chr>    <chr>    
##  1 bor1001  Brazil  RIO GRANDE D… MAQUINE      Maquine        -29.583… -50.2666…
##  2 bor1002  Brazil  RIO GRANDE D… SAO FRANCIS… Floresta Naci… -29.423… -50.3869…
##  3 bor1003  Brazil  RIO GRANDE D… SANTA MARIA  Santa Maria    -29.747… -53.8381…
##  4 bor1004  Brazil  PARANA        CURITIBA     Curitiba       -25.3    -49.3666…
##  5 bor1005  Brazil  PARANA        LONDRINA     Londrina       -23.306… -51.1706…
##  6 bor1006  Brazil  PARANA        GUARAPUAVA   Guarapuava     -25.402… -51.4211…
##  7 bor1007  Brazil  PARANA        MARINGA      Maringa        -23.435… -51.9430…
##  8 bor1008  Brazil  PARANA        DIAMANTE DO… Estacao Ecolo… -22.618… -52.8566…
##  9 bor1009  Brazil  RIO GRANDE D… PORTO MAUA   Porto Maua     -27.516… -54.6666…
## 10 bor1010  Brazil  PARANA        BALSA NOVA   Sao Luiz do P… -25.760… -50.1777…
## # ℹ 112 more rows
## # ℹ 10 more variables: Precision <chr>, Reserve_Area <chr>, Altitude <chr>,
## #   Altitude1km <int>, A_mean_temp <dbl>, A_rainfall <int>, Olsong200r <chr>,
## #   Olsoneconame <chr>, Ribeirovegtype <chr>, BSRs <chr>

Para recordar

3.5 dplyr::summarise() - agregando columnas sumadas a estructuras de datos

Ahora, retomaremos la función summarise() que mencionamos en la sección anterior. Esta función calcula una estadística específica en las columnas indicadas en tu línea de código y guarda estos valores en una nueva columna que se agrega a tu estructura de datos. Cuando se utilizan las funciones summarise() y group_by() juntas, la estadística se calcula para cada grupo. Por ejemplo, contaremos el número de ocurrencias en cada grupo de nuestra estructura de datos “butterfly” utilizando la función n().

Fijese que estamos combinando dos funciones, la función group_by (agrupe la columna Estado) dentro de la función summarise() (cuente el numero de occurencias).

summarise(group_by(butterfly, State), n())

El siguiente ejmeplo puede mostrar mejor el potentical de esta función. Vamos a agrupar por Estado (“State”) y cálculamos el promedio de lluvia.

Aquí agrupamos por Estado y lo guardamos en el objeto Group_State, después empujamos este objeto con el operador %>% hacia la otra función summarise.

Grouped_State <- group_by(butterfly, State)%>%
  summarise(mean(A_rainfall))
Grouped_State

Para recordar

4.1 tidyr::pivot_longer() - modificando estructuras de datos a formato larga

La primera función importante del paquete tidyr es pivot_longer(). Esta función cambia el formato de una estructura de datos, aumentando el número de filas y reduciendo el número de columnas, creando una estructura de datos en formato largo.

Vamos a utilizar la estructura de datos sin modificar, “polar”, del taller anterior para explorar esta función. Recuerda cargar la estructura de datos usando la siguiente línea.

Revise la estructura de esta base de datos. Es un poco rara la estructura de la base de datos, pero esta es la realidad con todas las bases de datos.

Hay muchas columnas (144), la mayoría parece ser especies pero los nombres son un poco confusos. Por ejemplo “T..melanophris……Black.browed.albatross.”, parece que los autores incluyeron el nombre científico y despues de los puntos ….. el nombre común en inglés.

polar <- read.delim("ANT-XXVIII_5_seabirds_marine_mammals.tab", skip = 154)
polar

La idea es que los nombres no esten en columnas sino que los organizemos en filas en una columna que llamemos “Especies”. Y los valores que tiene cada especie en una columna que llamemos “Abundancia”.

Para manipular la estructura de datos “polar” a formato largo, puedes utilizar la siguiente línea de código.

¿Cuántas columnas hay ahora? ¿Cuantas filas hay? ¿Por qué tantas? este es el formato largo al que haciamos referencia

polar_longer <- pivot_longer(polar, # base de datos
                             names_to = "Especies", # la columna que crearemos para incluir todas las especies 
                             values_to = "Abundance", # la columna que crearemos para adicionar los valores de abundancia de cada especie
                             cols = `E..chrysocome......Rockhopper.penguin.`:`Mola.mola......Sun.fish.` # Las columnas que deseas incluir, aquí utilizamos todas las especies entonces la primera especie y la última separadas de ":"
                             )
polar_longer

Veamos cuantos nombres de especies diferentes hay:

unique(polar_longer$Especies)

##   [1] "E..chrysocome......Rockhopper.penguin."                 
##   [2] "S..magellanicus......Magellanic.penguin."               
##   [3] "Penguins......Penguin.sp.."                             
##   [4] "T..melanophris......Black.browed.albatross."            
##   [5] "T..cauta......Shy.albatross."                           
##   [6] "T..chlororhynchos......Atlantic.yellow.nosed.albatross."
##   [7] "D..exulans......Wandering.albatross."                   
##   [8] "D..dabbenena......Tristan.albatross."                   
##   [9] "Diomedea.sp.......Great.albatrosses.sp.."               
##  [10] "D..epomophora......Southern.royal.albatross."           
##  [11] "D..sanfordi......Northern.royal.albatross."             
##  [12] "D..epomophora......including.Diomedea.sanfordi."        
##  [13] "Albatrosses......Albatross.sp.."                        
##  [14] "M..giganteus......Southern.giant.petrel."               
##  [15] "Macronectes.sp.......Giant.petrel.sp.."                 
##  [16] "F..glacialis......Northern.fulmar."                     
##  [17] "D..capense......Cape.petrel."                           
##  [18] "P..macroptera......Great.winged.petrel."                
##  [19] "P..feae......Fea.s.petrel."                             
##  [20] "P..incerta......Atlantic.petrel."                       
##  [21] "P..arminjoniana......Trinidade.petrel."                 
##  [22] "P..mollis......Soft.plumaged.petrel."                   
##  [23] "B..bulwerii......Bulwer.s.petrel."                      
##  [24] "P..aequinoctialis......White.chinned.petrel."           
##  [25] "P..conspicillata......Spectacled.petrel."               
##  [26] "Petrels......Petrel.sp.."                               
##  [27] "Pachyptila.sp.......including.Halobaena.sp.."           
##  [28] "C..diomedea......Cory.s.shearwater."                    
##  [29] "C..edwardsii......Cape.Verde.shearwater."               
##  [30] "P..gravis......Great.shearwater."                       
##  [31] "P..griseus......Sooty.shearwater."                      
##  [32] "P..puffinus......Manx.shearwater."                      
##  [33] "P..mauretanicus......Balearic.shearwater."              
##  [34] "P..baroli......Macaronesian.shearwater."                
##  [35] "P..lherminieri......Audubon.s.shearwater."              
##  [36] "P..assimilis......Little.shearwater."                   
##  [37] "Shearwaters......Shearwater.sp.."                       
##  [38] "O..oceanicus......Wilson.s.storm.petrel."               
##  [39] "G..nereis......Grey.backed.storm.petrel."               
##  [40] "P..marina......White.faced.storm.petrel."               
##  [41] "F..grallaria......White.bellied.storm.petrel."          
##  [42] "O..castro......Madeiran.storm.petrel."                  
##  [43] "O..leucorhoa......Leach.s.storm.petrel."                
##  [44] "O..castro......including.Oceanodroma.leucorhoa."        
##  [45] "H..pelagicus......European.storm.petrel."               
##  [46] "Storm.petrels......Storm.petrel.sp.."                   
##  [47] "P..aethereus......Red.billed.tropicbird."               
##  [48] "P..lepturus......White.tailed.tropicbird."              
##  [49] "Tropicbirds......Tropicbird.sp.."                       
##  [50] "F..aquila......Ascension.frigatebird."                  
##  [51] "F..magnificens......Magnificent.frigatebird."           
##  [52] "M..bassanus......Northern.gannet."                      
##  [53] "S..capensis......Cape.gannet."                          
##  [54] "S..sula......Red.footed.booby."                         
##  [55] "S..leucogaster......Brown.booby."                       
##  [56] "C..skua......Great.skua."                               
##  [57] "C..maccormicki......South.polar.skua."                  
##  [58] "C..antarctica......Antarctic.skua."                     
##  [59] "S..pomarinus......Pomarine.skua."                       
##  [60] "S..parasiticus......Arctic.skua."                       
##  [61] "S..longicaudus......Long.tailed.skua."                  
##  [62] "Skuas......Skua.sp.."                                   
##  [63] "B..bernicla......Brent.goose."                          
##  [64] "G..arctica......Black.throated.diver."                  
##  [65] "P..capensis......Cape.cormorant."                       
##  [66] "P..coronatus......Crowned.cormorant."                   
##  [67] "P..carbo......Great.cormorant."                         
##  [68] "P..magellani......Magellanic.diving.petrel."            
##  [69] "Pelecanoides.sp.......Diving.petrel.sp.."               
##  [70] "P..fulicarius......Red.phalarope."                      
##  [71] "L..canus......Common.gull."                             
##  [72] "L..melanocephalus......Mediteranean.gull."              
##  [73] "L..argentatus......Herring.gull."                       
##  [74] "L..fuscus......Lesser.black.backed.gull."               
##  [75] "L..michahellis......Yellow.legged.gull."                
##  [76] "L..dominicanus......Cape.gull."                         
##  [77] "L..marinus......Great.black.backed.gull."               
##  [78] "L..ridibundus......Black.headed.gull."                  
##  [79] "L..minutus......Little.gull."                           
##  [80] "R..tridactyla......Black.legged.kittiwake."             
##  [81] "X..sabini......Sabine.s.gull."                          
##  [82] "Gulls......Gull.sp.."                                   
##  [83] "S..hirundo......Common.tern."                           
##  [84] "S..arctica......Arctic.tern."                           
##  [85] "S..dougallii......Roseate.tern."                        
##  [86] "S..anaethetus......Bridled.tern."                       
##  [87] "S..fuscata......Sooty.tern."                            
##  [88] "S..sandvicensis......Sandwich.tern."                    
##  [89] "T..maximus......Royal.tern."                            
##  [90] "C..niger......Black.tern."                              
##  [91] "T..bergii......Crested.tern."                           
##  [92] "Terns......Tern.sp.."                                   
##  [93] "A..stolidus......Brown.noddy."                          
##  [94] "U..aalge......Guillemot."                               
##  [95] "A..torda......Razorbill."                               
##  [96] "Alcidae.sp.......Alcidae.sp.."                          
##  [97] "Seabird.unident......Seabird..unidentified."            
##  [98] "P..catodon......Sperm.whale."                           
##  [99] "M..novaeangliae......Humpback.whale."                   
## [100] "B..physalus......Fin.whale."                            
## [101] "B..borealis......Sei.whale."                            
## [102] "B..acutorostrata......Minke.whale."                     
## [103] "B..brydei......Bryde.s.whale."                          
## [104] "G..melas......Long.finned.pilot.whale."                 
## [105] "G..macrorhynchus......Short.finned.pilot.whale."        
## [106] "Globicephala.sp.......Pilot.whale.sp.."                 
## [107] "Z..cavirostris......Cuvier.s.beaked.whale."             
## [108] "Beaked.whale......Beaked.whale.sp.."                    
## [109] "Whale.unident......Whale..unidentified."                
## [110] "O..orca......Killer.whale."                             
## [111] "L..australis......Peale.s.dolphin."                     
## [112] "L..albirostris......White.beacked.dolphin."             
## [113] "Lagenorhynchus.sp.......Lagenorhynchus.sp.."            
## [114] "D..delphis......Common.dolphin."                        
## [115] "S..frontalis......Atlantic.spotted.dolphin."            
## [116] "S..coeruleoalba......Striped.dolphin."                  
## [117] "S..clymene......Clymene.dolphin."                       
## [118] "T..truncatus......Bottlenose.dolphin."                  
## [119] "G..griseus......Risso.s.dolphin."                       
## [120] "S..bredanensis......Rough.toothed.dolphin."             
## [121] "S..longirostris......Spinner.dolphin."                  
## [122] "Dolphin.unident......Dolphin..unidentified."            
## [123] "P..phocoena......Harbour.porpoise."                     
## [124] "A..pusillus......South.African.fur.seal."               
## [125] "C..caretta......Loggerhead.sea.turtle."                 
## [126] "C..mydas......Green.sea.turtle."                        
## [127] "D..coriacea......Leatherback.sea.turtle."               
## [128] "Sea.turtles......Sea.turtle.sp.."                       
## [129] "Manta.sp.......Manta.ray."                              
## [130] "Ray......Ray."                                          
## [131] "Hammerhead.shark......Hammerhead.shark."                
## [132] "Shark......Shark."                                      
## [133] "Mola.mola......Sun.fish."

Ahora lo que podemos hacer es encontrar la media de la abundancia por especie.

¿Recuerda cómo hacerlo?

polar_longer_mean <- summarise(group_by(polar_longer, by = Especies), mean(Abundance))

polar_longer_mean

Gráfiquemos los datos:

polar_longer_mean2 <- subset(polar_longer_mean, polar_longer_mean$`mean(Abundance)`>0.1) # removamos datos menores a 0.1 para poder visualizar las especies de mayor abundancia

ggplot(polar_longer_mean2, aes(x= polar_longer_mean2$`mean(Abundance)`, y = reorder(polar_longer_mean2$by, -polar_longer_mean2$`mean(Abundance)`)))+
  geom_bar(stat = 'identity', fill="lightblue",  orientation = "y")+
  xlab("Abundance")+
  ylab("Especies")

Para recordar

4.2 tidyr::pivot_wider() - modificando estructuras de datos a formato ancho

La segunda función de la que hablaremos es el inverso de la primera función. El inverso de pivot_longer es pivot_wider. Esta función manipula la estructura de datos al formato ancho, aumentando el número de columnas y reduciendo el número de filas.

Para manipular la estructura de datos “polar_longer” al formato ancho, puedes utilizar la siguiente línea de código:

polar_wider <- pivot_wider(polar_longer, names_from = 'Especies', values_from = 'Abundance')
polar_wider

Para recordar

5.1 stringr::str_replace() - reemplazar characteres en estructuras de datos

La primera función del paquete “stringr” de la que hablaremos es str_replace(). Esta función es importante cuando se desea reemplazar caracteres específicos en una estructura de datos.

En la estructura de datos “parrot”, los nombres de las especies están separados por puntos. Por ejemplo, el nombre de la primera especie está escrito como “A..Amazonica….”. Vamos a utilizar la siguiente línea de código para reemplazar el primer par de puntos con un guion bajo:

parrot_replace <- str_replace(colnames_parrot, # vector con nombre de las columnas
                              "\\.\\.", # patrón que queremos reemplazar
                              "_" # con qué lo queremos reemplazar
                              )
parrot_replace

##  [1] "Longitude"          "Latitude"           "Code"              
##  [4] "Time_min."          "Date.Time"          "A_amazonica...."   
##  [7] "A_autumnalis...."   "A_barbadensis...."  "A_dufresniana...." 
## [10] "A_farinosa...."     "A_festiva...."      "A_mercenaria...."  
## [13] "A_ochrocephala...."

5.2 stringr::str_remove() - eliminar characteres en estructura de datos

Similar a str_replace(), la función str_remove() permite quitar caracteres específicos de una estructura de datos. Ahora que hemos reemplazado el primer grupo de puntos con un guion bajo, vamos a utilizar la función str_remove() para eliminar el segundo grupo de puntos al final del nombre de las especies. Usaremos la siguiente línea de código:

parrot_remove <- str_remove(parrot_replace, "\\.\\.\\.\\.")
parrot_remove

##  [1] "Longitude"      "Latitude"       "Code"           "Time_min."     
##  [5] "Date.Time"      "A_amazonica"    "A_autumnalis"   "A_barbadensis" 
##  [9] "A_dufresniana"  "A_farinosa"     "A_festiva"      "A_mercenaria"  
## [13] "A_ochrocephala"

Para recordar

Ahora que hemos limpiado los nombres de las columnas, podemos reemplazar los nombres en la estructura de datos (recuerda que extraemos los nombres cuando realizamos cambios) utilizando la siguiente línea de código:

colnames(parrot) <- parrot_remove
parrot